Arbitrage des Architectures Deep Learning sous Viya 4

Le choix de l'architecture se définit via le paramètre type de l'action buildModel. Chaque option répond à des cas d'usage spécifiques :DNN (Deep Neural Network) : C'est l'option par défaut. Elle est idéale pour les données tabulaires structurées, comme la classification de clients ou la prédiction de score de crédit.CNN (Convolutional Neural Network) : Ce type est spécialisé dans le traitement d'images et la vision par ordinateur, permettant par exemple la détection de défauts sur une ligne de production.RNN (Recurrent Neural Network) : Indispensable pour les données séquentielles ou temporelles, telles que le traitement du langage naturel (NLP) ou la prévision de séries chronologiques complexes.

CNN, DNN ou RNN : quelle architecture privilégier pour vos enjeux métier ? - buildModel

Le choix de l'architecture se définit via le paramètre type de l'action buildModel. Chaque option répond à des cas d'usage spécifiques :

DNNRéseau de neurones profond (Deep Neural Network) comprenant plusieurs couches cachées entre l'entrée et la sortie. Il modélise des relations non linéaires complexes à partir de grands volumes de données. (Deep Neural Network) : C'est l'option par défaut. Elle est idéale pour les données tabulaires structurées, comme la classification de clients ou la prédiction de score de crédit.
CNNRéseau de neurones profond spécialisé dans le traitement de données structurées en grille (images). Il utilise des couches de convolution pour extraire automatiquement des caractéristiques spatiales. (Convolutional Neural Network) : Ce type est spécialisé dans le traitement d'images et la vision par ordinateur, permettant par exemple la détection de défauts sur une ligne de production.
RNNRéseau de neurones récurrent conçu pour les données séquentielles. Il utilise des boucles de rétroaction pour mémoriser l'information passée, idéal pour l'analyse de texte ou de séries temporelles. (Recurrent Neural Network) : Indispensable pour les données séquentielles ou temporelles, telles que le traitement du langage naturel (NLPTraitement automatique du langage naturel visant à permettre aux machines de comprendre, d'interpréter et de générer du texte ou de la parole de manière cohérente et structurée.) ou la prévision de séries chronologiquesUne série chronologique est une suite d'observations numériques ordonnées dans le temps, capturées à intervalles réguliers, pour analyser des tendances, des cycles ou effectuer des prévisions. complexes.

Exemples pour l'action buildModel

Création d'un modèle DNN par défaut

Cet exemple initialise un modèle vide nommé 'mon_modele' avec le type par défaut (DNN).

Initialisation d'un modèle CNN pour la vision par ordinateur

Ici, on crée spécifiquement un modèle de type CNN, en s'assurant de remplacer toute table existante du même nom et en ajoutant un label descriptif.

Conseil de l'Expert

Pour les RNN, privilégiez systématiquement l'utilisation de GPU performants et l'algorithme d'optimisation L-BFGS ou ADAM via l'action dlTrain. Contrairement aux CNN qui sont hautement parallélisables, la nature séquentielle des RNN peut créer des goulots d'étranglement sur des infrastructures CPU standards.

Spécificités Techniques des Modèles deepLearn

Gestion de la mémoire (CNN) : L'utilisation du paramètre type="CNN" active l'optimisation pour les tenseurs 4D (NCHW), essentielle pour ne pas saturer la mémoire des "worker nodes" lors de l'usage de couches convolution.
Transfer Learning : Viya permet d'importer des modèles via le format ONNX. Un CNN pré-entraîné (ResNet, VGG) peut être chargé et "fine-tuné" en modifiant simplement les dernières couches via l'action addLayer.

Cette réponse vous a-t-elle aidé ?